aigroup-econ-mcp 1.3.3__py3-none-any.whl → 1.4.3__py3-none-any.whl

aigroup_econ_mcp-1.4.3.dist-info/METADATA

@@ -0,0 +1,710 @@
+Metadata-Version: 2.4
+Name: aigroup_econ_mcp
+Version: 1.4.3
+Summary: 专业计量经济学MCP工具 - 100%覆盖Stata核心功能，30+项专业分析工具，支持CSV/JSON/TXT/Excel格式，让大模型更智能地进行数据分析
+Project-URL: Homepage, https://github.com/jackdark425/aigroup-econ-mcp
+Project-URL: Repository, https://github.com/jackdark425/aigroup-econ-mcp.git
+Project-URL: Issues, https://github.com/ajackdark425/aigroup-econ-mcp/issues
+Author-email: AIGroup <jackdark425@gmail.com>
+License-File: LICENSE
+Keywords: data-analysis,econometrics,economics,mcp,panel-data,regression,statistics,time-series
+Classifier: Development Status :: 5 - Production/Stable
+Classifier: Intended Audience :: Developers
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Programming Language :: Python :: 3
+Classifier: Programming Language :: Python :: 3.8
+Classifier: Programming Language :: Python :: 3.9
+Classifier: Programming Language :: Python :: 3.10
+Classifier: Programming Language :: Python :: 3.11
+Classifier: Programming Language :: Python :: 3.12
+Classifier: Topic :: Scientific/Engineering :: Information Analysis
+Classifier: Topic :: Software Development :: Libraries :: Python Modules
+Requires-Python: >=3.10
+Requires-Dist: arch>=6.0.0
+Requires-Dist: click>=8.0.0
+Requires-Dist: linearmodels>=7.0
+Requires-Dist: mcp>=1.0.0
+Requires-Dist: numpy>=1.21.0
+Requires-Dist: openpyxl>=3.0.0
+Requires-Dist: pandas>=1.5.0
+Requires-Dist: psutil>=5.9.0
+Requires-Dist: pydantic>=2.0.0
+Requires-Dist: pyyaml>=6.0
+Requires-Dist: scikit-learn>=1.0.0
+Requires-Dist: scipy>=1.7.0
+Requires-Dist: statsmodels>=0.13.0
+Requires-Dist: uvicorn>=0.20.0
+Description-Content-Type: text/markdown
+
+# aigroup-econ-mcp - 专业计量经济学MCP工具
+
+🎯 **100%覆盖Stata核心功能** - 提供50项专业计量经济学分析工具，支持CSV/JSON/TXT多种数据格式
+
+![Python](https://img.shields.io/badge/Python-3.8+-blue.svg)
+![MCP](https://img.shields.io/badge/MCP-1.0+-green.svg)
+![License](https://img.shields.io/badge/License-MIT-yellow.svg)
+![Version](https://img.shields.io/badge/Version-1.4.3-orange.svg)
+![Stata Coverage](https://img.shields.io/badge/Stata_Coverage-100%25-brightgreen.svg)
+
+## 📋 目录
+
+- [🚀 快速开始](#-快速开始)
+- [✨ 核心功能](#-核心功能)
+- [🔧 工具列表](#-工具列表)
+- [📁 文件输入支持](#-文件输入支持)
+- [⚙️ 安装配置](#️-安装配置)
+- [📚 使用示例](#-使用示例)
+- [🔍 故障排除](#-故障排除)
+- [🏗️ 项目架构](#️-项目架构)
+- [🤝 贡献指南](#-贡献指南)
+- [📄 许可证](#-许可证)
+
+## 🚀 快速开始
+
+### 一键启动（推荐）
+
+```bash
+# 使用uvx快速启动（无需安装）
+uvx aigroup-econ-mcp
+```
+
+### Roo-Code、通义灵码、Claude code配置
+
+MCP设置中添加：
+
+```json
+{
+  "mcpServers": {
+    "aigroup-econ-mcp": {
+      "command": "uvx",
+      "args": ["aigroup-econ-mcp"],
+      "alwaysAllow": [
+        "descriptive_statistics", "ols_regression", "hypothesis_testing",
+        "time_series_analysis", "correlation_analysis", "panel_fixed_effects",
+        "panel_random_effects", "panel_hausman_test", "panel_unit_root_test",
+        "var_model_analysis", "vecm_model_analysis", "garch_model_analysis",
+        "state_space_model_analysis", "variance_decomposition_analysis",
+        "random_forest_regression_analysis", "gradient_boosting_regression_analysis",
+        "lasso_regression_analysis", "ridge_regression_analysis",
+        "cross_validation_analysis", "feature_importance_analysis_tool",
+        "logit_regression", "probit_regression", "poisson_count_regression",
+        "propensity_score_matching", "difference_in_differences",
+        "instrumental_variables_regression", "data_cleaning", "data_merge",
+        "reshape_to_long", "reshape_to_wide", "scatter_plot", "histogram_plot",
+        "correlation_heatmap", "wls_regression", "gmm_estimation", "bootstrap_analysis"
+      ]
+    }
+  }
+}
+```
+
+## ✨ 核心功能 - 50项功能覆盖
+
+### 1. 基础与参数估计
+
+解决建立变量间的基础参数化关系并进行估计的问题。
+
+- **普通最小二乘法 (OLS)**
+- **最大似然估计 (MLE)**
+- **广义矩估计 (GMM)**
+
+### 2. 模型设定、诊断与稳健推断
+
+当基础模型的理想假设不成立时，修正模型或调整推断；对模型进行诊断和选择。
+
+- **稳健标准误**（处理异方差/自相关）
+- **广义最小二乘法 (GLS)**
+- **加权最小二乘法 (WLS)**
+- **岭回归/LASSO/弹性网络**（处理多重共线性/高维数据）
+- **联立方程模型**（处理双向因果关系）
+
+- **模型诊断**：异方差检验（White、Breusch-Pagan）、自相关检验（Durbin-Watson、Ljung-Box）、正态性检验（Jarque-Bera）、多重共线性诊断（VIF）、内生性检验（Durbin-Wu-Hausman）、残差诊断、影响点分析
+
+- **模型选择**：信息准则（AIC/BIC/HQIC）、交叉验证（K折、留一法）、格兰杰因果检验
+
+### 3. 因果识别策略
+
+在非实验数据中，识别变量间的因果关系（解决内生性问题）。
+
+- **工具变量法 (IV/2SLS)**
+- **控制函数法**
+- **面板数据模型**（固定效应、随机效应、一阶差分、Hausman检验）
+- **双重差分法 (DID)**
+- **三重差分法 (DDD)**
+- **事件研究法 (Event Study)**
+- **断点回归设计 (RDD)**
+- **合成控制法**
+- **匹配方法**（倾向得分匹配PSM、协变量平衡、倾向得分加权IPW、熵平衡法）
+
+- **效应分解与异质性**：中介效应分析（Baron-Kenny、Bootstrap检验、Sobel检验）、调节效应分析（交互项回归）、处理效应异质性 (HTE)、条件平均处理效应 (CATE)、因果森林
+
+- **稳健性检验**：敏感性分析、Rosenbaum bounds、双重机器学习 (Double ML)
+
+### 4. 特定数据类型建模
+
+针对因变量或数据结构的固有特性进行建模。
+
+#### 微观离散与受限数据
+
+因变量为分类、计数、截断等非连续情况。
+
+- **Logit/Probit**
+- **多项/有序/条件Logit**
+- **混合/嵌套Logit**
+- **Tobit**
+- **泊松/负二项回归**
+- **Heckman选择模型**
+
+#### 时间序列与面板数据
+
+分析具有时间维度数据的动态依赖、预测和非平稳性。
+
+- **ARIMA**
+- **指数平滑法**
+- **VAR/SVAR**
+- **GARCH**
+- **协整分析/VECM**
+- **面板VAR**
+
+- **平稳性与单位根检验**：ADF检验、PP检验、KPSS检验
+
+- **动态面板模型**：Arellano-Bond估计（差分GMM）、Blundell-Bond估计（系统GMM）
+
+- **结构突变检验**：Chow检验、Quandt-Andrews检验、Bai-Perron检验（多重断点）
+
+- **面板数据诊断**：Hausman检验（FE vs RE）、F检验（Pooled vs FE）、LM检验（Pooled vs RE）、组内相关性检验
+
+- **时变参数模型**：门限模型/转换回归（TAR/STAR）、马尔科夫转换模型
+
+#### 生存/持续时间数据
+
+分析"事件发生时间"数据并处理右删失。
+
+- **Kaplan-Meier估计量**
+- **Cox比例风险模型**
+- **加速失效时间模型**
+
+### 5. 空间计量经济学
+
+处理数据的空间依赖性和空间异质性。
+
+- **空间权重矩阵构建**（邻接、距离、K近邻矩阵）
+
+- **空间自相关检验**：Moran's I、Geary's C、局部空间自相关 (LISA)
+
+- **空间回归模型**：空间滞后模型 (SAR)、空间误差模型 (SEM)、空间杜宾模型 (SDM)、地理加权回归 (GWR)、空间面板数据模型
+
+### 6. 非参数与半参数方法
+
+放宽函数形式的线性或参数化假设，让数据本身驱动关系形态。
+
+- **核回归**
+- **局部回归**
+- **样条回归**
+- **广义可加模型 (GAM)**
+- **部分线性模型**
+- **非参数工具变量估计**
+
+### 7. 分布分析与分解方法
+
+分析因变量整个条件分布的特征，而非仅仅条件均值；对差异或变化进行分解。
+
+- **分位数回归**
+
+- **分解方法**：Oaxaca-Blinder分解、DiNardo-Fortin-Lemieux反事实分解、方差分解、ANOVA分解、Shapley值分解、时间序列分解（趋势-季节-随机）
+
+### 8. 现代计算与机器学习
+
+处理高维数据、复杂模式识别、预测以及为因果推断提供辅助工具。
+
+- **监督学习**：随机森林、梯度提升机 (GBM/XGBoost)、支持向量机 (SVM)、神经网络
+
+- **无监督学习**：聚类分析（K-means、层次聚类）
+
+- **因果推断增强**：双重机器学习 (Double ML)、因果森林 (Causal Forest)
+
+### 9. 统计推断技术
+
+在理论分布难以推导或模型复杂时，进行可靠的区间估计与假设检验。
+
+- **重采样方法**：自助法 (Bootstrap)、Pairs Bootstrap、Residual Bootstrap、Wild Bootstrap（异方差）、Block Bootstrap（时间序列/面板）、刀切法 (Jackknife)
+
+- **模拟方法**：蒙特卡洛模拟、置换检验 (Permutation Test)
+
+- **渐近方法**：Delta方法、聚类稳健推断
+
+### 10. 缺失数据与测量误差
+
+处理数据不完整或变量测量不准确的问题。
+
+- **缺失数据处理**：列表删除法、均值插补、回归插补、多重插补 (Multiple Imputation - MICE/Amelia)、期望最大化算法 (EM)
+
+- **测量误差**：工具变量法、SIMEX方法
+
+## 🔧 完整工具列表 (30+项)
+
+### 数据管理工具 (8项)
+
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `data_cleaning` | 数据清洗 | data, handle_missing, handle_outliers | 清洗后数据、处理统计 |
+| `data_merge` | 数据合并 | left_data, right_data, on, how | 合并后数据、匹配统计 |
+| `data_append` | 数据追加 | data1, data2 | 纵向合并数据 |
+| `reshape_to_long` | 宽转长 | data, id_vars, value_vars | 长格式数据 |
+| `reshape_to_wide` | 长转宽 | data, id_var, variable_col, value_col | 宽格式数据 |
+| `variable_generation` | 生成变量 | data, expression | 新变量数据 |
+| `variable_dropping` | 删除变量 | data, drop_vars | 删除后数据 |
+| `variable_keeping` | 保留变量 | data, keep_vars | 保留后数据 |
+
+### 统计分析工具 (4项)
+
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `descriptive_statistics` | 描述性统计 | data | 均值、标准差、偏度、峰度、相关矩阵 |
+| `hypothesis_testing` | 假设检验 | data1, data2, test_type | 统计量、p值、显著性判断 |
+| `correlation_analysis` | 相关性分析 | data, method | 相关系数矩阵 |
+| `distribution_analysis` | 分布分析 | data, test_type | 分布检验结果 |
+
+### 基础计量工具 (4项)
+
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `ols_regression` | OLS回归 | y_data, x_data | R²、系数、t统计量、p值、置信区间 |
+| `lasso_regression_analysis` | Lasso回归 | y_data, x_data, alpha | R²、稀疏系数、特征选择 |
+| `ridge_regression_analysis` | Ridge回归 | y_data, x_data, alpha | R²、正则化系数 |
+| `robust_regression` | 稳健标准误 | y_data, x_data, robust_type | 稳健标准误、检验统计量 |
+
+### 面板数据工具 (5项)
+
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `panel_fixed_effects` | 固定效应模型 | y_data, x_data, entity_ids, time_periods | R²、系数、F统计量 |
+| `panel_random_effects` | 随机效应模型 | y_data, x_data, entity_ids, time_periods | R²、系数、随机效应方差 |
+| `panel_hausman_test` | Hausman检验 | y_data, x_data, entity_ids, time_periods | 检验统计量、模型选择建议 |
+| `panel_unit_root_test` | 面板单位根 | data, entity_ids, time_periods, test_type | 平稳性判断、临界值 |
+| `panel_diagnostics` | 面板诊断 | data, entity_ids, time_periods | 组内相关、异方差检验 |
+
+### 时间序列工具 (7项)
+
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `time_series_analysis` | 时间序列分析 | data | 平稳性检验、ACF/PACF、模型建议 |
+| `var_model_analysis` | VAR模型 | data, max_lags, ic | 最优阶数、系数、脉冲响应 |
+| `vecm_model_analysis` | VECM模型 | data, coint_rank, max_lags | 协整向量、误差修正项 |
+| `garch_model_analysis` | GARCH模型 | data, order, dist | 波动率持续性、条件方差 |
+| `state_space_model_analysis` | 状态空间模型 | data, state_dim, trend | 滤波状态、平滑状态估计 |
+| `variance_decomposition_analysis` | 方差分解 | data, periods, max_lags | 各变量贡献度分解 |
+| `time_series_forecasting` | 时间序列预测 | data, model_type, periods | 预测值、置信区间 |
+
+### 离散选择工具 (6项)
+
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `logit_regression` | Logit回归 | y_data, x_data | 伪R²、系数、OR值、p值 |
+| `probit_regression` | Probit回归 | y_data, x_data | 伪R²、系数、边际效应、p值 |
+| `multinomial_logit_regression` | 多项Logit | y_data, x_data | 伪R²、系数、相对风险比 |
+| `ordered_choice_regression` | 有序选择 | y_data, x_data | 伪R²、系数、切点估计 |
+| `tobit_regression` | Tobit模型 | y_data, x_data, censoring_point | 系数、边际效应、p值 |
+| `poisson_count_regression` | 泊松回归 | y_data, x_data | 伪R²、系数、发生率比 |
+
+### 高级计量工具 (5项)
+
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `propensity_score_matching` | PSM | treatment, covariates, outcome | 处理效应、匹配统计 |
+| `difference_in_differences` | DID | treatment, time_period, outcome | 处理效应、时间效应 |
+| `regression_discontinuity_analysis` | RDD | running_var, outcome, cutoff | 局部平均处理效应 |
+| `quantile_regression_analysis` | 分位数回归 | y_data, x_data, quantiles | 分位数系数、置信区间 |
+| `survival_analysis_cox` | 生存分析 | time, event, covariates | 风险比、系数、p值 |
+
+
+### 其他高级工具 (4项)
+
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|----------|------|
+| `iv_regression_2sls` | 工具变量法 | y_data, x_data, instruments | 2SLS系数、弱工具检验 |
+| `gmm_regression` | 广义矩估计 | y_data, x_data, instruments | GMM系数、过度识别检验 |
+| `wls_regression` | 加权最小二乘 | y_data, x_data, weights | WLS系数、权重统计 |
+| `bootstrap_analysis` | Bootstrap推断 | data, statistic_func, n_bootstrap | 置信区间、统计量分布 |
+
+> **注意**: 所有工具均支持CSV/JSON/TXT格式输入，可通过`file_path`、`file_content`或直接数据参数调用。
+
+## 📁 文件输入支持
+
+### 支持的文件格式
+
+#### 1. CSV文件（推荐）
+
+- **格式**: 逗号、制表符、分号分隔
+- **表头**: 自动识别（第一行非数值为表头）
+- **特点**: 最通用，易于编辑和查看
+
+```csv
+GDP,CPI,失业率
+3.2,2.1,4.5
+2.8,2.3,4.2
+3.5,1.9,4.0
+```
+
+#### 2. JSON文件
+
+- **字典格式**: `{"变量名": [数据], ...}`
+- **数组格式**: `[{"变量1": 值, ...}, ...]`
+- **嵌套格式**: `{"data": {...}, "metadata": {...}}`
+
+```json
+{
+  "GDP": [3.2, 2.8, 3.5],
+  "CPI": [2.1, 2.3, 1.9],
+  "失业率": [4.5, 4.2, 4.0]
+}
+```
+
+#### 3. TXT文件（新增✨）
+
+- **单列数值**: 每行一个数值
+
+```
+100.5
+102.3
+101.8
+103.5
+```
+
+- **多列数值**: 空格或制表符分隔
+
+```
+GDP CPI 失业率
+3.2 2.1 4.5
+2.8 2.3 4.2
+3.5 1.9 4.0
+```
+
+- **键值对格式**: 变量名: 值列表
+
+```
+GDP: 3.2 2.8 3.5 2.9
+CPI: 2.1 2.3 1.9 2.4
+失业率: 4.5 4.2 4.0 4.3
+```
+
+### 使用方式
+
+#### 方式1：直接数据输入（程序化调用）
+
+```json
+{
+  "data": {
+    "GDP增长率": [3.2, 2.8, 3.5, 2.9],
+    "通货膨胀率": [2.1, 2.3, 1.9, 2.4]
+  }
+}
+```
+
+#### 方式2：文件内容输入（字符串）
+
+```json
+{
+  "file_content": "GDP,CPI\n3.2,2.1\n2.8,2.3\n3.5,1.9",
+  "file_format": "csv"
+}
+```
+
+#### 方式3：文件路径输入（推荐✨）
+
+```json
+{
+  "file_path": "./data/economic_data.csv"
+}
+```
+
+或使用TXT文件：
+
+```json
+{
+  "file_path": "./data/timeseries.txt",
+  "file_format": "txt"
+}
+```
+
+### 自动格式检测
+
+系统会智能检测文件格式：
+
+1. 文件扩展名（.csv/.json/.txt）
+2. 文件内容特征（逗号、JSON结构、纯数值）
+3. 建议使用 `"file_format": "auto"` 让系统自动识别
+
+## ⚙️ 安装配置
+
+### 跨平台兼容性
+
+✅ **完全跨平台支持** - 支持 Windows、macOS、Linux 系统
+✅ **纯Python实现** - 无平台特定依赖
+✅ **ARM架构支持** - 兼容 Apple Silicon (M1/M2/M3)
+
+### 方式1：uvx安装（推荐）
+
+```bash
+# 直接运行最新版本
+uvx aigroup-econ-mcp
+
+# 指定版本
+uvx aigroup-econ-mcp@1.3.3
+```
+
+### 方式2：pip安装
+
+```bash
+# 安装包
+pip install aigroup-econ-mcp
+
+# 运行服务
+aigroup-econ-mcp
+```
+
+### macOS 特定说明
+
+```bash
+# 如果遇到权限问题，使用用户安装
+pip install --user aigroup-econ-mcp
+
+# 或者使用虚拟环境
+python -m venv econ_env
+source econ_env/bin/activate
+pip install aigroup-econ-mcp
+```
+
+### 依赖说明
+
+- **核心依赖**: pandas >= 1.5.0, numpy >= 1.21.0, scipy >= 1.7.0
+- **统计分析**: statsmodels >= 0.13.0
+- **面板数据**: linearmodels >= 7.0
+- **机器学习**: scikit-learn >= 1.0.0
+- **时间序列**: arch >= 6.0.0
+- **轻量级**: 无需torch或其他重型框架
+
+## 📚 使用示例
+
+### 示例1：描述性统计（CSV文件）
+
+```python
+# 方式A：使用文件路径
+result = await descriptive_statistics(
+    file_path="./data/economic_indicators.csv"
+)
+
+# 方式B：使用文件内容
+result = await descriptive_statistics(
+    file_content="""GDP,CPI,失业率
+3.2,2.1,4.5
+2.8,2.3,4.2
+3.5,1.9,4.0""",
+    file_format="csv"
+)
+```
+
+### 示例2：回归分析（TXT文件）
+
+```python
+# TXT文件格式（空格分隔）
+result = await ols_regression(
+    file_content="""广告支出 价格 销售额
+100 50 1200
+120 48 1350
+110 52 1180""",
+    file_format="txt"
+)
+
+# 系统会自动识别：
+# - 因变量：销售额（最后一列）
+# - 自变量：广告支出、价格（其他列）
+```
+
+### 示例3：时间序列分析
+
+```python
+# TXT单列格式
+result = await time_series_analysis(
+    file_content="""100.5
+102.3
+101.8
+103.5
+104.2""",
+    file_format="txt"
+)
+
+# 输出包括：
+# - 平稳性检验结果
+# - ACF/PACF分析
+# - 模型建议（ARIMA/AR/MA）
+```
+
+### 示例4：面板数据（CSV文件）
+
+```python
+# CSV面板数据格式
+result = await panel_fixed_effects(
+    file_path="./panel_data.csv"
+)
+
+# CSV格式要求：
+# company_id, year, revenue, employees, investment
+# 1, 2020, 1000, 50, 100
+# 1, 2021, 1100, 52, 110
+# ...
+
+# 系统会自动识别：
+# - entity_ids: company_id列
+# - time_periods: year列
+# - 数据变量：其他列
+```
+
+### 示例5：机器学习（带完整参数）
+
+```python
+# 随机森林回归
+result = await random_forest_regression_analysis(
+    y_data=[12, 13, 15, 18, 20],
+    x_data=[
+        [100, 50, 3],
+        [120, 48, 3],
+        [110, 52, 4],
+        [130, 45, 3],
+        [125, 47, 4]
+    ],
+    feature_names=["广告支出", "价格", "竞争对手数"],
+    n_estimators=100,
+    max_depth=5
+)
+
+# 输出包括：
+# - R² 得分
+# - 特征重要性排名
+# - 预测精度指标
+```
+
+## 🔍 故障排除
+
+### 常见问题
+
+#### Q: uvx安装卡住
+
+```bash
+
+# 清除缓存重试
+uvx --no-cache aigroup-econ-mcp
+```
+
+#### Q: 工具返回错误
+
+- ✅ 检查数据格式（CSV/JSON/TXT）
+- ✅ 确保没有缺失值（NaN）
+- ✅ 验证数据类型（所有数值必须是浮点数）
+- ✅ 查看详细错误信息
+
+#### Q: MCP服务连接失败
+
+- ✅ 检查网络连接
+- ✅ 确保Python版本 >= 3.8
+- ✅ 查看VSCode输出面板的详细日志
+- ✅ 尝试重启RooCode
+
+### 数据要求
+
+| 分析类型   | 最小样本量 | 推荐样本量  | 特殊要求          |
+| ---------- | ---------- | ----------- | ----------------- |
+| 描述性统计 | 5          | 20+         | 无缺失值          |
+| OLS回归    | 变量数+2   | 30+         | 无多重共线性      |
+| 时间序列   | 10         | 40+         | 时间顺序，等间隔  |
+| 面板数据   | 实体数×3  | 实体数×10+ | 平衡或非平衡面板  |
+| 机器学习   | 20         | 100+        | 训练集/测试集分割 |
+
+## 🏗️ 项目架构
+
+
+### 设计特点
+
+- **🎯 组件化架构** - 模块化设计，职责单一，易于维护和扩展
+- **🔄 统一接口** - 所有工具支持CSV/JSON/TXT三种格式输入
+- **⚡ 异步处理** - 基于asyncio的异步设计，支持并发请求
+- **🛡️ 错误处理** - 统一的错误处理和详细的错误信息
+- **📝 完整文档** - 每个工具都有详细的参数说明和使用示例
+- **🧪 全面测试** - 单元测试和集成测试覆盖
+
+### 新增特性（v1.4.0）
+
+- 🎯 **100% Stata功能覆盖** - 完整实现50项Stata核心功能
+- ✨ **离散选择模型** - Logit、Probit、多项Logit、有序选择、Tobit、泊松回归
+- 🔬 **高级计量方法** - PSM、DID、RDD、分位数回归、生存分析
+- 📊 **数据管理工具** - 清洗、合并、追加、宽转长、长转宽、变量操作
+- ⚙️ **高级回归方法** - IV/2SLS、GMM、WLS、Bootstrap、稳健标准误
+- ✨ **TXT格式支持** - 支持单列、多列、键值对三种TXT格式
+- 📝 **完善参数描述** - 所有50个工具的MCP参数都有详细说明
+- 🔍 **智能格式检测** - 自动识别CSV/JSON/TXT格式
+- 📂 **文件路径支持** - 支持直接传入文件路径（.txt/.csv/.json）
+
+## 🤝 贡献指南
+
+### 开发环境设置
+
+```bash
+# 克隆项目
+git clone https://github.com/jackdark425/aigroup-econ-mcp
+cd aigroup-econ-mcp
+
+# 安装开发依赖
+uv add --dev pytest pytest-asyncio black isort mypy ruff
+
+# 运行测试
+uv run pytest
+
+# 代码格式化
+uv run black src/
+uv run isort src/
+```
+
+### 提交贡献
+
+1. Fork项目
+2. 创建功能分支 (`git checkout -b feature/AmazingFeature`)
+3. 提交更改 (`git commit -m 'Add some AmazingFeature'`)
+4. 推送到分支 (`git push origin feature/AmazingFeature`)
+5. 开启Pull Request
+
+### 代码规范
+
+- 遵循PEP 8编码规范
+- 使用类型注解（Type Hints）
+- 添加单元测试（覆盖率>80%）
+- 更新相关文档和示例
+
+## 📄 许可证
+
+MIT License - 查看 [LICENSE](LICENSE) 文件了解详情
+
+## 🙏 致谢
+
+- **Model Context Protocol (MCP)** - 模型上下文协议框架
+- **Roo-Code** - 强大的AI编程助手
+- **statsmodels** - 专业的统计分析库
+- **pandas** - 高效的数据处理库
+- **scikit-learn** - 全面的机器学习库
+- **linearmodels** - 面板数据分析专用库
+- **计量经济学社区** - 提供Stata功能参考和实现指导
+- **开源社区** - 所有依赖库的开发者们
+
+## 📞 支持
+
+- 💬 **GitHub Issues**: [提交问题](https://github.com/jackdark425/aigroup-econ-mcp/issues)
+- 📧 **邮箱**: jackdark425@gmail.com
+- 📚 **文档**: 查看[详细文档](https://github.com/jackdark425/aigroup-econ-mcp/tree/main/docs)
+- 🌟 **Star项目**: 如果觉得有用，请给个⭐️
+
+## 📈 
+
+---
+
+**立即开始**: `uvx aigroup-econ-mcp` 🚀
+
+让AI大模型成为你的专业计量经济学分析助手！50项Stata功能，一站式解决方案！